uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Uusi viisausraportti

Toimittaja: Er Qiao Yang

[Johdatus uuteen viisauteen]Cambridgen yliopiston tutkimus käyttää tekoälyä koneoppimismallin rakentamiseen, jolla voidaan ennustaa tarkasti Alzheimerin taudin kehittyminen Tarkkuus ylittää huomattavasti kliiniset testitulokset, mikä avaa uuden tien Alzheimerin taudin varhaiselle puuttumiselle.

Jos tekoälyllä voi olla jollain alalla ennennäkemättömän positiivinen vaikutus, "terveydenhuollon" on oltava yksi tehokkaimmista ehdokkaista, erityisesti erilaisten vaikeiden sairauksien varhaisessa diagnosoinnissa ja hoidossa.

Alzheimerin tauti on yksi niistä.

Väestön ikääntymisen edetessä yhä useammat vanhukset ovat kuin "pyyhkimet" ilmaantuvat heidän aivoihinsa, ja heidän muistonsa pyyhkiytyvät vähitellen, mukaan lukien menneisyys ja heidän lähimmät perheenjäsenensä vanhusten ryhmä.

Tällä hetkellä maailmanlaajuisesti yli 55 miljoonaa ihmistä kärsii dementiasta ja lähes 10 miljoonaa uutta tapausta vuosittain.

Yleisin dementiatyyppi on Alzheimerin tauti, joka on 60–70 % kaikista tapauksista. Dementiapotilaiden määrän odotetaan lähes kolminkertaistuvan seuraavan 50 vuoden aikana.

Maailmanlaajuisesti tauti maksoi terveydenhuoltojärjestelmille 1,3 biljoonaa dollaria pelkästään vuonna 2019.

Alzheimerin taudin varhainen havaitseminen on ratkaisevan tärkeää, koska silloin hoito voi olla tehokkain.

Dementian varhainen diagnoosi ja ennuste voivat kuitenkin olla epätarkkoja ilman invasiivisia tai kalliita testejä, kuten positroniemissiotomografiaa (PET) tai lannepunktiota (jotka eivät ole saatavilla kaikissa lääketieteellisissä laitoksissa).

Tämän seurauksena jopa kolmasosa potilaista voidaan diagnosoida väärin, kun taas toiset voivat saada diagnoosin liian myöhään saadakseen tehokasta hoitoa.

Lisäksi sairastuneille sairaus voi laukaista masennusta ja ahdistusta. Puhumattakaan ympärillään olevista avuttomista ja epätoivoisista sukulaisista, jotka ovat nähneet potilaiden vähitellen menettävän muistinsa, menevän mielenhäiriöön ja kokevan emotionaalista romahdusta, mutta he ovat avuttomia.

Tekoälyteknologian kehitys on kuitenkin tuonut hieman valoa tähän tilanteeseen.

Cambridgen yliopiston psykologian laitoksen tutkijat ovat kehittäneet uuden tekoälymallin, joka ylittää nykyiset kliiniset testausmenetelmät Alzheimerin taudin etenemisen ennustamisessa.

Tutkimusryhmä käytti kognitiivisia testejä ja MRI-skannauksia ennustaakseen, kehittyisikö lievästä kognitiivisesta vajaatoiminnasta kärsiville potilaille Alzheimerin tauti. Koneoppimismallit käyttivät ei-invasiivista tietoa Alzheimerin taudin etenemisen ennustamiseen tarkasti neljässä viidestä tapauksesta.

Paperin osoite: https://www.thelancet.com/action/showPdf?pii=S2589-5370%2824%2900304-3

Tutkimustulokset julkaistiin myös eClinical Medicine -lehdessä (julkaisija The Lancet). Kirjoittajat uskovat, että tekoälyn diagnosointia ja hoitoa käyttävä teknologia voi tarjota varhaisen puuttumisen ja vähentää riippuvuutta kalliista myöhemmistä diagnostisista toimenpiteistä.

Ennusta tarkasti Alzheimerin taudin eteneminen

PPM malli

Ryhmä rakensi mallin käyttämällä kognitiivisia testejä ja MRI-skannauksia harmaan aineen atrofiasta, aivojen hermosolujen kuolemasta, 400 potilaasta, jotka yhdysvaltalainen tutkimusryhmä keräsi.

Tekoälyn ja kliinisen käännöksen välisen kuilun kuromiseksi tutkimuksessa rakennetaan tehokas ja tulkittava kliinisen tekoälyn työkalu, joka perustuu PPM-malliin (predictive prognostic model).

Malli menee pidemmälle kuin binaariset luokittelumenetelmät ennustaakseen yksilöitä taudin alkuvaiheessa (lievä kognitiivinen vajaatoiminta, MCI), oireista edeltävässä vaiheessa (kognitiivisesti normaali, CN) ja henkilöt, joilla on vahvistettu Alzheimerin tauti (AD). .

PPM esittelee lentoratamallinnusmenetelmiä, joiden avulla voidaan luotettavasti ennustaa tulevia sairauksien kehitystrendejä rutiininomaisesti kerätyn multimodaalisen tiedon perusteella.

Ja useiden erityyppisten potilastietojen käyttäminen, mukaan lukien yleistäminen tutkimusryhmistä todellisiin potilastietoihin, voi parantaa kliinistä käyttökelpoisuutta ja mahdollisuuksia ottaa käyttöön terveydenhuollossa.

PPM ottaa käyttöön kokonaisoppimisen GMLVQ-kehyksen, joka pystyy yhdistämään tietoja useista modaliteeteista (eikä harkitsemaan yhtä tietotyyppiä) ennustamaan tarkemmin varhaista sairauden muutosta kuin tavalliset kliiniset markkerit (eli harmaan aineen surkastuminen, kognitiivinen heikkeneminen) tai kliiniset tiedot. Alzheimerin taudin todennäköisyys.

Hyödynnä multimodaalisen tiedon kykyä tehdä ennusteita rutiininomaisesti kerätyistä ei-invasiivisista ja edullisista tiedoista, jotka eivät ehkä ole yhtä herkkiä kuin biomarkkerit, mutta ovat kustannustehokkaampia ja ei-invasiivisempia kerätä.

Tällä tekoälyohjatulla lähestymistavalla suurten mallien varhaiseen ennustamiseen on voimakasta potentiaalia:

Ennustelemalla potilaiden terveyttä ja vähentämällä terveydenhuollon kustannuksia harvemmille potilaille tehdään invasiivisia ja kalliita diagnostisia testejä;

Toiseksi niukkojen resurssien tarjoaminen niitä eniten tarvitseville voi tehostaa lääketieteellisten resurssien kohdentamista.

Lopuksi suurten mallien hyödyntäminen diagnoosin standardoimiseksi eri klinikoilla voisi vähentää eriarvoisuutta terveydenhuollossa.

Esimerkkitietojen kerääminen

Mallia testattiin käyttämällä yli 600 osallistujan otosta Yhdysvalloista ja lisäksi 900 näytettä Yhdistyneen kuningaskunnan ja Singaporen klinikoilta.

PPM-koulutukseen käytettiin 600 hengen yhdysvaltalaisen näytteen tietoja Alzheimerin taudin neuroimaging-aloitteen (ADNI) tutkimustietokohortista.

900 lisänäytettä käytettiin näytteen ulkopuoliseen validointiin kahtena itsenäisenä testiaineistona, NHS Memory Clinic Quantitative MRI of Brain Structural and Functional Brain (QMIN-MC) ja National University of Singapore Memory Aging and Cognition Center dataset (MACC). .

Nämä tietojoukot eroavat potilaiden demografisista ja tiedonkeruutyökaluista, joten kokeilut voivat testata samanaikaisesti PPM-mallin yhteensopivuutta eri kansallisten ja alueellisten ryhmien kanssa.

Tarkemmin sanottuna ADNI:lle näytteet valittiin erityisten kriteerien perusteella, jotka liittyvät amnestiseen MCI:hen ja Alzheimerin tautiin.

MRI-tiedot kerättiin MRI-keräyspisteistä Yhdysvalloissa. Sitä vastoin QMIN-MC- ja MACC-tiedot kerättiin edustavista neurologisista ja psykiatrisista muistipalveluista Yhdistyneessä kuningaskunnassa ja Singaporessa.

Siksi nämä potilasryhmät heijastavat usein kliinisessä käytännössä kohdattuja erityisiä potilasprofiileja kuin rekrytoitu tutkimuskohortti (ADNI).

Kokeelliset tulokset

Testitulokset osoittivat, että algoritmi pystyi erottamaan ihmiset, joilla on lievä kognitiivinen vajaatoiminta, ja ne, jotka etenevät Alzheimerin tautiin kolmen vuoden sisällä.

Pelkästään kognitiivisia testejä ja MRI-skannauksia käytettäessä se oli 82 % tarkka tunnistaessaan ihmisiä, joille kehittyisi Alzheimerin tauti kolmen vuoden kuluessa, ja 81 % ihmisistä, joille ei kehittyisi Alzheimerin tautia.

Lisäksi se voi myös seurata taudin etenemistä ja tarjota sopivimman hoitomenetelmän tapauksen eri olosuhteiden mukaan.

Tekoälymallin avulla tutkijat pystyivät myös jakamaan Alzheimer-potilaat kolmeen ryhmään: ne, joiden oireet pysyivät vakaina (noin 50 prosenttia), ne, joiden oireet etenivät hitaasti (noin 35 prosenttia) ja ne, joiden oireet etenivät hitaasti (noin 35 prosenttia). joiden oireet etenivät hitaasti (noin 35 prosenttia).

Nämä ennusteet vahvistuivat, kun tutkijat seurasivat tietoja kuuden vuoden seurannan ajan. He uskovat, että tekoälyratkaisu on kolme kertaa tarkempi kuin kliininen diagnoosi Alzheimerin taudin etenemisen ennustamisessa.

Tarkka ennakkoennuste on tärkeä, koska se voi auttaa tunnistamaan ihmiset, jotka todennäköisesti sairastuvat varhaisessa vaiheessa, ja tunnistaa myös ne, jotka tarvitsevat tarkkaa seurantaa, koska heidän tilansa voi huonontua nopeasti.

"Jos aiomme vastata dementian aiheuttamaan kasvavaan terveyshaasteeseen, tarvitsemme parempia työkaluja varhaiseen tunnistamiseen ja puuttumiseen", sanoi Zoe Kourtzi, Cambridgen yliopiston psykologian laitoksen professori.

"Visionamme on laajentaa tekoälytyökalujen käyttöä auttaaksemme lääkäreitä havaitsemaan sairaat ryhmät varhaisessa vaiheessa ja käyttämään oikeita hoitomenetelmiä. Kun lääketieteen resurssit ovat valtavan paineen alla, tämä auttaa myös eliminoimaan tarpeettoman kalliin ja haitallisen. diagnostinen testaus."

Varhainen testaus on tärkeää myös virheellisten diagnoosien havaitsemisessa, ja ihmisillä, joilla on oireita, kuten muistin heikkenemistä, mutta jotka pysyvät vakaina, heidän oireensa voivat johtua jostain muusta kuin dementiasta, kuten ahdistuksesta tai masennuksesta.

Tri Ben Underwood, CPFT:n kunniakonsultti psykiatri ja Cambridgen yliopiston psykiatrian laitoksen apulaisprofessori, sanoi: "Muistiongelmat ovat yleisiä ikääntyessämme. Kliinisesti on mahdotonta määrittää, onko tämä ensimmäinen merkki dementiaa ja aiheuttaa ongelmia potilaille.

Jos ihmiset, joilla on vakaat sairaudet, voidaan tarkasti tunnistaa heistä, jotka eivät kärsi Alzheimerin taudista, se myös vähentää huomattavasti potilaiden psykologista painetta.

Professori Kourtzi sanoi: "Tekoälymallit ovat vain niin hyviä kuin ne on koulutettu. Varmistaaksemme, että mallejamme voidaan soveltaa terveydenhuollon ympäristöissä, emme käytä ainoastaan ​​tutkimusryhmien tietoja, vaan myös klinikoilta saatuja potilastietoja. koulutusta ja sen testaamista, mikä osoittaa, että mallia voidaan edistää kliiniseen käyttöön."

Jatkossa tutkimusryhmä toivoo laajentavansa malliaan muihin dementiatyyppeihin, kuten vaskulaariseen dementiaan ja frontotemporaaliseen dementiaan, sekä käyttämään erilaisia ​​tietoja, kuten markkereita verikokeissa.

Tutkimusta tukivat useat laitokset, kuten Wellcome, Alzheimer's Research UK, Royal Society ja National Institute for Health and Care Cambridgen biolääketieteen tutkimuskeskus.

Varhainen dementian diagnoosi

Tekoälyn ennustemallien rakentamisen lisäksi eurooppalaiset yliopistot käyttävät aktiivisesti tekoälyteknologiaa Alzheimerin taudin ongelman ratkaisemiseksi.

EU Horizon -ohjelmasta 14 miljoonalla eurolla tuettu AI-Mind -projekti kehittää kahta tekoälytyökalua, jotka mahdollistaisivat dementian varhaisen diagnosoinnin.

AI-Mind käynnistyy vuonna 2021 ja jatkuu vuoteen 2026 asti. Sen kumppaneita ovat seitsemän eurooppalaista yliopistoa, mukaan lukien Aalto-yliopisto Suomessa, Tallinnan yliopisto Virossa ja Radboud University Medical Center Hollannissa.

Se kohdistuu erityisesti lievän kognitiivisen vajaatoiminnan (MCI) vaiheeseen, jossa ei ole rakenteellisia aivovaurioita ja interventio on edelleen mahdollista.

Tämän tavoitteen saavuttamiseksi projektin takana olevat 13 kumppania rakentavat AI-Mind Connectorin ja AI-Mind Predictorin.

Connector analysoi aivokuvia EEG:stä havaitakseen varhaiset merkit, jotka voivat johtaa dementiaan.

Predictor yhdistää nämä tiedot kognitiivisiin testeihin ja verianalyysiin arvioidakseen taudin riskin yli 95 prosentin tarkkuudella.

Molemmat työkalut integroidaan lääketieteen ammattilaisten tällä hetkellä käyttämiin pilvidiagnostiikkaalustoihin.

Projektin perimmäinen tavoite on kunnianhimoinen: diagnoosiajan lyhentäminen 2 vuodesta 5 vuoteen 1 viikkoon. Tällä tavoin toivotaan pidentävän MCI-potilaiden oireetonta ajanjaksoa.

Seuraa proteiinipaakkuja

Toinen tekoälyn käyttötapa dementian torjunnassa on parantaa ymmärrystämme kehossa olevista proteiinimöykkyistä ja niiden patologian seuraamisesta.

Jotta kehomme toimisi kunnolla, soluissa tapahtuu miljardeja vuorovaikutuksia proteiinien ja muiden molekyylien välillä.

Mutta kun vuorovaikutus menee pieleen, proteiinit voivat kasautua kokkareiksi ja huonontua, mikä johtaa neurologisiin sairauksiin, kuten Alzheimerin tautiin.

Kööpenhaminan yliopiston tutkijat ovat kehittäneet tekoälyalgoritmin, joka voi havaita mikroskooppikuvissa miljardisosan kokoisia proteiinipaakkuja.

Algoritmi voi myös laskea möykkyjä, luokitella ne muodon ja koon mukaan ja seurata niiden muuttumista ajan myötä.

Tämä voisi auttaa tutkijoita ymmärtämään, miksi nämä kokkarit muodostuvat, mikä johtaa uusien lääkkeiden ja hoitojen löytämiseen.

Työryhmän mukaan työkalu automatisoi prosessin, jonka suorittaminen vie tutkijoilta viikkoja muutamassa minuutissa.

Lisäksi tämä koneoppimisalgoritmi on vapaasti saatavilla Internetissä avoimen lähdekoodin mallina.

"Kun tutkijat ympäri maailmaa alkavat käyttää tätä työkalua, se auttaa luomaan suuren kirjaston molekyyli- ja proteiinirakenteita, jotka ovat tärkeitä useille sairauksille ja biologialle", sanoi Nikos Hatzakis, tutkimuksen toinen kirjoittaja.

Viitteet:

https://www.medicaldevice-network.com/news/university-of-cambridge-ai-model-alzheimers/

https://thenextweb.com/news/europe-universities-using-ai-battle-dementia